Hoy en día ,la oferta de moda online es cada vez mayor. La sobrecarga de información dificulta la elección de productos entre miles de opciones. Los sistemas de recomendación son actualmente una solución para el problema de sobrecarga de información, proporcionando a los usuarios o grupos de usuarios los productos o servicios que encajan con sus perspectivas. Personalizando la experiencia de compra.

Que es un Sistema de Recomendación

Un sistema de recomendación es un conjunto de herramientas de software y técnicas que proporciona sugerencias personalizados o genéricas de utilidad para el usuario. Los sistemas de recomendación pueden ser clasificadas en las categorías siguientes:

● Sistemas de Recomendación Colaborativos (Collaborative Filtering)

● Sistemas de recomendaciones basadas en el contenido

● Sistemas de recomendaciones híbridas – que combinan los dos anteriores y muchos más.

Sistemas de Recomendación Colaborativos

Un Sistema de Recomendación colaborativo es aquel en el que las recomendaciones se realizan basándose solamente en los términos de similitud entre los usuarios. Es decir, los sistemas colaborativos recomiendan objetos que son del gusto de otros usuarios de intereses similares. Los algoritmos están basados en K-vecinos más cercanos (k-NN) y de la correlación de Pearson. La gran ventaja del filtrado colaborativo es que requiere un conocimiento mínimo del contenido de los datos y da buenos resultado en general. Sin embargo requiere una gran cantidad de datos (muchos usuarios valorando muchos ítems similares) para funcionar correctamente.

Sistemas de Recomendación Basados en Contenido.

Un Sistema de Recomendación basado en contenido es aquel en el cual las recomendaciones son realizadas basándose en un perfil creado a partir del análisis del contenido de los ítems que el mismo usuario ha comprado, utilizado o visitado en el pasado. En otras palabras, extraen características de los ítems no conocidos aún por el usuario actual y las comparan con su perfil para predecir sus preferencias sobre tales ítems. Lo que se pretende es recomendar productos muy similares a los que ya sabemos que son del agrado del usuario en cuestión, o sea, los que forman parte de su perfil.

Las principales ventajas de este tipo de recomendación son:

• Se puede generar explicaciones sobre la recomendación en base del historial del usuarios.

• No hay dispersión de datos (SPARSITY), la información está presente en las características de los productos.

Las desventajas de los sistemas basado en contenido son:

• La Sobre especialización. El usuario está limitado a que le recomienden ítems similares a los que recomendó.

• El problema del usuario nuevo: El usuario tiene que “rankear” un número suficiente de ítems para que el sistema pueda realmente entender sus preferencias.

Sistemas de recomendación híbridos

Los Sistemas de Recomendación clásicos tienen sus puntos fuertes y débiles por lo que es lógico pensar en maximizar sus bonanzas y minimizar sus carencias mediante la combinación de dos o más técnicas de recomendación. Los sistemas híbridos entre los basados en contenido y los colaborativos guardan las preferencias del usuario y las combinan con los objetos más relevantes para realizar las recomendaciones. En Corpora360 utilizamos un Híbrido Basado en Contenido – Filtrado Colaborativos, donde se recomendará al usuario un conjunto de productos populares vistos o valorados por varios usuarios.

Motor de Recomendación

Los motores de recomendación son las técnicas de aprendizaje automático (Machine Learning) más reconocible en uso hoy en día. Tratan de inferir los gustos y preferencias de los usuarios identificando los elementos desconocidos que son de interés para ellos. El motor de recomendación es el cerebro de cualquier Sistema de Recomendación.

El mayor reto de sistema de recomendación es encontrar el método adecuado para predecir automáticamente como un producto va a gustar a un usuario y/o grupos de usuarios basándose en los siguientes datos y hechos:

● Histórico de comportamientos

● Relaciones entre los usuarios de dominio

● Similitud de los productos

● El contexto

● Datos demográficos

● etc ..

Recopilación de datos

Con el fin de hacer recomendaciones, el sistema tiene que recoger datos. El objetivofinal de la recolección de datos es para tener una idea de las preferencias del usuario, que luego usaremos para hacer predicciones sobre futuras preferencias del mismo usuario y los similares a el. Hay dos maneras de recopilar los datos.

La primera opción es, pedir valoraciones explícitas a los usuarios, generalmente se pide al usuario que valores algunos productos para saber sus gustos También analizando los productos que han gustado al usuario anteriormente podemos sacar más información sobre sus gustos.

La segunda es reunir datos implícitamente, es decir registrar las acciones de un usuario del sistema. Analizando los elementos que un usuario ha visto, Analizando el número de veces que un artículo ha sido visto, Analizando la duración que un usuario dedica viendo un artículo concreto.(En nuestro caso podemos usar la info de Yandex, o bien desarrollar un plugin que sea capaz de registrar estos comportamientos).(En nuestro caso podemos usar la info de Yandex, o bien desarrollar un plugin que sea capaz de registrar estos comportamientos).

Las recomendaciones generan más del 35% de la ventas en los e-commerce por lo tanto son indispensables para cualquier comercio online sobre todo en sector de la moda. los usuarios comprarían si encuentran lo que les gustan sin tener que hacer búsquedas complejas.

 

Autor: Salif Guigma, Senior Back-end Developer